복잡수 영역에서의 기호 회귀: 기울기 하강법과 복소수 계수 확장
요약
본 논문은 기존의 기울기 기반 기호 회귀 모델들이 로그나 제곱근 같은 연산자 사용 시 발생하는 실수 영역의 극점(pathologies) 문제에 직면하는 한계를 지적합니다. 이를 해결하기 위해, 연구진은 복소수 계수를 확장한 Equation Learner를 제안했습니다. 이 새로운 접근법은 목표 표현이 실수 영역에서 극점을 가지더라도 안정적으로 수렴하며, 다양한 연산자를 제약 없이 사용하여 더 넓고 정확한 가설 클래스를 탐색할 수 있게 합니다.
핵심 포인트
- 기존 기호 회귀 모델은 로그나 제곱근 같은 특수 연산자 사용 시 발생하는 실수 영역의 극점 문제에 취약합니다.
- 연구진은 이러한 문제를 해결하기 위해 복소수 계수를 확장한 Equation Learner를 제안했습니다.
- 제안된 방법은 목표 표현이 실수 영역에서 극점을 가져도 안정적으로 수렴하며, 연산자 사용에 제한을 두지 않습니다.
- 실험 결과, 이 모델은 기호 회귀 벤치마크와 주파수 응답 데이터 복원 등 다양한 분야에서 우수한 성능을 보였습니다.
기호 회귀 (Symbolic Regression) 는 데이터로부터 해석 가능한 방정식을 발견하는 것을 목표로 하지만, 현대의 기울기 기반 방법은 분할, 로그, 제곱근과 같이 특이점이나 정의역 제약 조건을 도입하는 연산자에 대해 실패합니다. 그 결과, Equation Learner-type 모델은 이러한 연산자를 피하거나, 극점을 방지하기 위해 분모에 제약을 부과하는 등의 제한을 가하며, 이는 가설 클래스를 좁힙니다. 우리는 실수 값 최적화 병현 (pathologies) 을 완화하기 위해 복소수 계수를 확장한 Equation Learner 를 제안합니다. 제안된 접근법은 목표 표현이 실수 영역의 극점을 가졌을 때도 안정적으로 수렴하며, 로그와 제곱근과 같은 연산을 제약 없이 사용할 수 있게 합니다. 우리는 기호 회귀 벤치마크에서 이 방법을 검증하고, 실험 주파수 응답 데이터로부터 특이 행동을 복원할 수 있음을 보였습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기